面向基于 LLM 的优化问题建模与代码生成的规范中间表示

从自然语言描述自动构建优化模型是运筹学中日益受关注的方向，然而当前基于 LLM 的方法难以应对复杂运营规则所需的复合约束与恰当的建模范式。为解决这一问题，我们提出规范中间表示（CIR）：一个由 LLM 在问题描述与优化模型之间显式生成的模式（schema）。CIR 通过约束原型与候选建模范式编码运营规则的语义，从而将规则逻辑与其数学实例化解耦。在新生成的 CIR 知识库之上，我们开发了规则到约束（R2C）框架，这是一个多智能体流水线，负责解析问题文本、通过检索领域知识合成 CIR 实现，并实例化优化模型。为系统评估规则到约束的推理，我们在新构建的、包含丰富运营规则的基准以及既往工作的基准上测试 R2C。大量实验表明，R2C 在所提出的基准上取得最先进的准确率（47.2% 准确率）。在文献中的既有基准上，R2C 给出极具竞争力的结果，接近专有模型（如 GPT-5）的性能。此外，借助反思机制，R2C 取得进一步提升，并在部分基准上创下已报道的最佳结果。